典型文献
基于KPCA-SAE网络的轨道电路故障诊断方法研究
文献摘要：
目前,ZPW-2000型轨道电路故障判别主要依赖人工对数据进行分析,该判别方式效率低、周期较长、对人工依赖程度高.为此,引入了栈式自编码网络(Stacked auto-encoder,SAE)和核主元分析(Kernel principal component analysis,KPCA)的相关理论对ZPW-2000型轨道电路进行故障诊断.首先,根据轨道电路的工作原理和故障特点,建立了 KPCA-SAE故障诊断模型.然后,将现场工作人员采集的数据中关键部件的相关参数作为故障特征参数,利用KPCA对故障特征矩阵进行降维降噪处理,避免信息冗余.之后,利用SAE网络对处理后的故障数据进行训练,并采用BP算法对模型参数进行整体优化.最后,在Matlab环境下进行仿真实验.仿真结果表明,所提出的基于KPCA-SAE的轨道电路故障诊断模型是有效可行的,与传统的故障数据人工分析方法及其他智能算法相比,其故障识别准确率更高.
文献关键词：
ZPW-2000型轨道电路;故障诊断;栈式自编码网络;核主元分析
中图分类号：
作者姓名：
金祖臣;董昱
作者机构：
兰州交通大学 自动化与电气工程学院,甘肃兰州730070
文献出处：
引用格式：
[1]金祖臣;董昱-.基于KPCA-SAE网络的轨道电路故障诊断方法研究)[J].测试科学与仪器,2022(01):89-95
A类：
B类：
KPCA,SAE,轨道电路,电路故障诊断,故障诊断方法,ZPW,故障判别,该判,判别方式,依赖程度,栈式自编码网络,Stacked,auto,encoder,核主元分析,Kernel,principal,component,analysis,故障特点,故障诊断模型,关键部件,故障特征,特征矩阵,降噪处理,信息冗余,故障数据,整体优化,Matlab,工分,智能算法,故障识别,识别准确率
AB值：
0.32874
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
